基于改进主成分分析的分焦平面偏振图像去噪算法 下载: 851次
1 引言
强度、波长、相干性和偏振性是光的主要物理特性[1],其中偏振图像能提供与光谱和强度图像不同的信息。研究表明,偏振在遥感[2]、图像去雾[3]、生物医学[4]、金属检测[5]、水下目标探测[6]等领域有很大的应用前景。偏振成像系统包括分时系统和实时系统,分时偏振成像系统利用旋转偏振片和波片的方式获取不同偏振态的偏振图像,系统比较复杂,且不能用于动态场景。实时偏振成像系统包括分振幅、分孔径和分焦平面(DoFP)等类型。分振幅偏振成像系统的分辨率较高,但结构复杂;分孔径成像系统的稳定性较好,但会损失空间分辨率[7],且系统的离轴或偏心结构,导致装调难度较高;DoFP偏振探测器具有体积小、紧凑性高和可靠性好等优势,是目前偏振成像领域的研究热点。
在DoFP偏振探测器阵列中,每个像元只能获取单个偏振方向的响应值,相应位置上缺失的三个偏振分量需要用插值重建偏振图像算法即DoFP偏振图像解马赛克算法得到。目前关于偏振图像解马赛克算法[8-10]的研究都是基于无噪声的DoFP偏振图像。但DoFP偏振探测器成像过程中,经常会受到噪声的干扰,且DoFP偏振图像解马赛克算法计算Stokes矢量图像(光强度图像为S0、0°与90°方向的偏振光强差图像为S1、45°与135°方向的偏振光强差图像为S2)的过程中会引入视场误差,进一步增大误差,带来错误的偏振信息[11-12],从而影响线偏振度(DoLP)图像的质量和精度。针对DoFP偏振图像的噪声,Zhang等[12]提出了基于主成分分析(PCA)的去噪算法,利用降维和线性最小均方误差估计技术在PCA域实现去噪,但该算法会破坏图像的细节和边缘信息。Ye等[13]提出了一种基于K次奇异值分解(K-SVD)和正交匹配追踪(OMP)的去噪算法,但该算法的复杂度过高且会破坏图像的纹理信息。Abubakar等[14]提出了一种基于块匹配和三维滤波(BM3D)DoFP偏振图像的去噪算法,能抑制图像中的大部分噪声,但解算的DoLP图像会丢失部分边缘细节信息。
本文基于DoFP偏振图像和高斯白噪声的特点,提出了一种基于改进PCA的DoFP偏振图像去噪算法。首先,利用DoFP偏振图像的非局部自相似性,用相似的图像块构造相似块矩阵,并用PCA算法得到其特征向量和特征值矩阵;然后,根据高斯噪声和相似块矩阵特征值的分布特点,对相似块矩阵进行降维处理,进而估计无噪声的DoFP偏振图像;最后,对去噪后的DoFP偏振图像进行解马赛克计算,得到Stokes矢量图像和DoLP图像。实验结果表明,相比现有算法,本算法的效率更高且具有更好的去噪效果及更强的边缘细节保持能力。
2 分焦平面偏振图像的去噪算法
DoFP偏振探测器通常由焦平面探测器和微偏振片阵列构成,在微偏振片阵列中,每2×2个像元组成一个超像元,偏振方向分别对应0°、45°、90°和135°,如
DoFP偏振探测器在成像过程中会引入噪声,导致图像质量下降,一般用加性噪声模型表示为
式中,Wn为含噪声的DoFP偏振图像,W为不含噪声的DoFP偏振图像,n为图像中均值为0、标准差为σ的加性高斯噪声。DoFP偏振图像的去噪就是从Wn中恢复出W。
假设含噪声DoFP偏振图像的分辨率为M×N,将图像分成若干个大小为n×n的图像块,取图像块的步长为1。为了利用DoFP偏振图像中四个偏振方向分量之间的相关性,每个图像块中均需含有四个偏振方向分量,即n≥2,将这些图像块用集合表示为
式中,pi∈P为任意一个图像块。将尺寸为2×2的图像块视为参考图像块并转换成列向量y,可表示为
式中,xθ(θ=0°,45°,90°,135°)为不含噪声图像块中四个偏振分量,x为不含噪声图像块中像素构成的列向量,v为像元噪声构成的向量。
本算法的流程如
将参考图像块和对应的相似图像块转换成列向量,构成n2×m的相似块矩阵Y
式中,X=
由于
式中,
式中,ΛX=diag
高斯白噪声的特征值约等于σ2,根据DoFP偏振像元排列的特点,
式中,aj=
式中,th(Λ)=diag
在相似块矩阵中,任意一个不含噪声图像块对应的列向量xr与估计的
式中,‖·‖2为欧氏距离。由(6)式~(8)式可以得到
联立(10)式~(12)式,得到相似块矩阵中无噪声图像块与估计图像块之间的平均距离d
当
由(14)式确定t2=σ2,在图像纹理细节信息丰富的区域,对应相似块矩阵的特征值矩阵中存在较多特征值大于噪声特征值σ2,此时d相对较小,能很好地去除图像中的噪声,但也导致图像损失部分纹理细节信息;在图像纹理细节较少的区域,其特征值矩阵中的特征值
对于DoFP偏振图像,在图像纹理细节丰富的区域,去噪效果依然明显;在场景纹理细节较少的情况下,四个方向的微偏振片对入射光的调制效果不同,在场景有较强的偏振特性时,超像元中四个像元的响应差异较大,如
图 4. 模拟的DoFP偏振图像。(a) DoFP;(b) 0°;(c) 45°;(d) 90°;(e) 135°
Fig. 4. DoFP polarization image obtained by simulation. (a) DoFP; (b) 0°; (c) 45°; (d) 90°; (e) 135°
3 实验结果与分析
为了验证本算法的去噪效果,将分辨率为1024 pixel×768 pixel、灰度为16 bit的近红外DoFP偏振图像作为测试图像[15],如
为了兼顾DoFP偏振图像的去噪效果和算法效率,实验中取n=8,K=70,相似图像块的数量m=200,在水平和垂直方向上,参考图像块的移动步长均为5。
图 5. 测试图像。(a) Fabrics; (b) leaves; (c) macbeth classic; (d) macbeth enhancement; (e) painting; (f) potery
Fig. 5. Test images. (a) Fabrics; (b) leaves; (c) macbeth classic; (d) macbeth enhancement; (e) painting; (f) potery
3.1 本算法的去噪效果
将四个不同偏振方向的原始高分辨率测试图像计算得到的Stokes矢量图像和DoLP图像作为参考,在模拟的DoFP偏振图像上加入标准差为10的高斯白噪声,并采用基于强度相关的插值算法[9]对图像进行解马赛克。测试图像potery去噪前后的Stokes矢量图像和DoLP图像的结果如
表 1. 去噪前后的Stokes矢量图像和DoLP图像
Table 1. Stokes vector images and DoLP images before and after denoising
|
图 6. 去噪前后的图像potery。(a)原始图像;(b)解马赛克图像;(c)加噪图像;(d)去噪图像
Fig. 6. Potery images before and after denoising. (a) Original image; (b) demosaicing image; (c) noisy image; (d) denoised image
从
在真实成像条件下,DoFP偏振图像中的噪声是未知的,需要估计噪声,估计噪声值会存在误差。为了评估噪声误差对去噪效果的影响,在仿真的DoFP偏振图像中加入标准差为10的噪声,选取不同的σ,去噪后DoFP偏振图像的PSNR和SSIM如
图 7. 不同σ下的去噪结果。(a) PSNR;(b) SSIM
Fig. 7. Denoising results under different σ. (a) PSNR; (b) SSIM
3.2 不同算法的去噪结果
为了清晰展现出不同算法的复杂度,用分辨率为128 pixel×128 pixel的图像统计算法的平均去噪时间,噪声标准差为10。算法的运行环境:处理器为英特尔i5-8250U,内存为8 GB,软件为Matlab2015b,结果如
表 2. 不同算法的平均运行时间
Table 2. Average running time of different algorithms
|
在测试图像fabrics、leaves、macbeth classic、macbeth enhancement、painting和potery模拟的DoFP偏振图像中加入标准差为10的高斯白噪声,用不同算法对图像进行去噪处理,将未加噪声的模拟图像作为参考,计算去噪后图像的PSNR和SSIM,结果如
表 3. 不同算法的去噪结果
Table 3. Denoising results of different algorithms
|
从
为了进一步验证不同算法的去噪效果,解算不同算法去噪后的Stokes矢量图像和DoLP偏振图像,并计算PSNR和SSIM,结果如
表 4. 不同算法对macbeth enhancement图像的去噪结果
Table 4. Denoising results of different algorithms on macbeth enhancement images
|
从
图 8. 不同算法的去噪结果。(a)原始图像;(b)解马赛克图像;(c)加噪图像;(d) PCA算法;(e) K-SVD算法;(f) BM3D算法;(g)本算法
Fig. 8. Denoising results of different algorithms. (a) Original image; (b) demosaicing image; (c) noisy image; (d) PCA algorithm; (e) K-SVD algorithm; (f) BM3D algorithm; (g) our algorithm
为了验证不同算法对不同标准差噪声的去噪效果,在模拟DoFP偏振图像macbeth enhancement中添加不同标准差的高斯白噪声,去噪后DoFP偏振图像的PSNR和SSIM如
图 9. 不同算法对图像macbeth enhancement的去噪结果。(a) PSNR;(b) SSIM
Fig. 9. Denoising results of different algorithms for image macbeth enhancement. (a) PSNR; (b) SSIM
3.3 真实分焦平面图像的去噪结果
对于真实的近红外DoFP偏振图像,首先对图像进行非均匀性校正[16],得到校正后的DoFP偏振图像;然后利用噪声估计算法[17],分别对不同偏振方向的子图像进行噪声估计,得到子图像噪声的标准差;最后对图像进行去噪和解马赛克处理,得到去噪后的Stokes矢量图像及DoLP图像。
图 10. 不同算法对真实图像的去噪结果。(a)原始图像;(b)非均匀性校正后的图像;(c) PCA算法;(d) K-SVD算法;(e) BM3D算法;(f)本算法
Fig. 10. Denoising result of real images by different algorithms. (a) Original image; (b) non-uniformity corrected image; (c) PCA algorithm; (d) K-SVD algorithm; (e) BM3D algorithm; (f) our algorithm
4 结论
针对DoFP偏振图像中的高斯白噪声,提出了基于DoFP偏振图像非局部自相似性的PCA去噪算法。根据DoFP偏振图像的特点,充分利用不同偏振方向像元值之间的相关性,将图像分割成一系列相同尺寸的图像块并构造相似块矩阵,利用噪声和相似矩阵块特征值的特点在PCA域进行降维处理,进而实现图像去噪。利用模拟图像对本算法进行测试,并用PSNR、SSIM和主观视觉效果对本算法进行评价。实验结果表明,本算法可以较好地保留图像中的细节和纹理信息,且在高强度噪声下,依然可以有效抑制图像噪声。进一步采用真实的近红外DoFP偏振图像对本算法进行测试,结果表明,经本算法处理后的DoLP图像质量得到了明显提升。下一步还将研究DoFP偏振图像解马赛克对Stokes矢量图像及DoLP图像的具体影响。
[1] Scott Tyo J, Goldstein D L, Chenault D B, et al. Review of passive imaging polarimetry for remote sensing applications[J]. Applied Optics, 2006, 45(22): 5453-5469.
[2] Tyo J S, Rowe M P, Pugh E N, et al. Target detection in optically scattering media by polarization-difference imaging[J]. Applied Optics, 1996, 35(11): 1855-1870.
[3] Fang S, Xia X, Xing H, et al. Image dehazing using polarization effects of objects and airlight[J]. Optics Express, 2014, 22(16): 19523-19537.
[5] 汪方斌, 孙凡, 朱达荣, 等. 一种基于偏振热像的金属疲劳损伤评估方法[J]. 光学学报, 2020, 40(14): 1412002.
[6] 汪杰君, 梁磊, 李树, 等. 水下目标偏振差分成像模型修正与实现[J]. 光学学报, 2019, 39(11): 1111003.
[7] 刘敬, 夏润秋, 金伟其, 等. 基于斯托克斯矢量的偏振成像仪器及其进展[J]. 光学技术, 2013, 39(1): 56-62.
[8] Gao S K, Gruev V. Bilinear and bicubic interpolation methods for division of focal plane polarimeters[J]. Optics Express, 2011, 19(27): 26161-26173.
[9] Zhang J C, Luo H B, Hui B, et al. Image interpolation for division of focal plane polarimeters with intensity correlation[J]. Optics Express, 2016, 24(18): 20799-20807.
[10] Zhang J C, Luo H B, Liang R G, et al. Sparse representation-based demosaicing method for microgrid polarimeter imagery[J]. Optics Letters, 2018, 43(14): 3265-3268.
[11] Goudail F, Bénière A. Estimation precision of the degree of linear polarization and of the angle of polarization in the presence of different sources of noise[J]. Applied Optics, 2010, 49(4): 683-693.
[12] Zhang J C, Luo H B, Liang R G, et al. PCA-based denoising method for division of focal plane polarimeters[J]. Optics Express, 2017, 25(3): 2391-2400.
[13] Ye W B, Li S T, Zhao X J, et al. A K times singular value decomposition based image denoising algorithm for DoFP polarization image sensors with Gaussian noise[J]. IEEE Sensors Journal, 2018, 18(15): 6138-6144.
[14] Abubakar A, Zhao X J, Li S T, et al. A block-matching and 3-D filtering algorithm for Gaussian noise in DoFP polarization images[J]. IEEE Sensors Journal, 2018, 18(18): 7429-7435.
[15] Lapray P J, Gendre L, Foulonneau A, et al. Database of polarimetric and multispectral images in the visible and NIR regions[J]. Proceedings of SPIE, 2018, 1067: 1067738.
[16] 尹佳琪, 王世勇, 张瑞, 等. 近红外偏振探测器的定标及非均匀性校正[J]. 红外与毫米波学报, 2020, 39(2): 235-241.
[17] Immerkær J. Fast noise variance estimation[J]. Computer Vision and Image Understanding, 1996, 64(2): 300-302.
尹佳琪, 王世勇, 李范鸣. 基于改进主成分分析的分焦平面偏振图像去噪算法[J]. 光学学报, 2021, 41(7): 0710002. Jiaqi Yin, Shiyong Wang, Fanming Li. Division-of-Focal-Plane Polarization Image Denoising Algorithm Based on Improved Principal Component Analysis[J]. Acta Optica Sinica, 2021, 41(7): 0710002.